JUDUL PROGRAM
BIDANG KEGIATAN:
PKM – ARTIKEL ILMIAH
Diusulkan Oleh:
Erina Seviyanti Dewi; 17030214021; 2017
Novi Hanifatul Ula; 17030214041; 2017
i
PENGESAHAN PKM ARTIKEL ILMIAH
ii
1
ABSTRAK
Pengenalan wajah merupakan sistem biometrika yang banyak digunakan untuk
mengenali individu, karena wajah merupakan salah satu ciri biometrika yang
paling umum digunakan untuk mengenali seseorang. Salah satu contoh
penggunaan pengenalan wajah yaitu digunakan pada proses verifikasi data serta
akses kontrol. Pada penelitian ini peneliti menggunakan metode Principal
Component Analysis (PCA) dan K-Nearest Neighbor untuk dapat
mengidentifikasi wajah melalui inputan data uji yang kemudian diekstrak
sehingga menghasilkan pola atau ciri tertentu yang nantinya akan dicari dan
dicocokan dalam data latih. Dalam penelitian ini, terdapat 5 jenis K, yaitu 1, 3, 5,
7, dan 9. Serta kompresi PCA 10% hingga 100% dengan interval 10%. Dari
beberapa kompresi PCA dan pemilihan k tetangga terdekat pada K-Nearest
Neighbor, nilai akurasi tertinggi adalah 70.83% dengan kompresi 20% hingga
100% dan k=1. Penggunaan 20% vektor eigen telah meng-capture 99% data.
Sedangkan rata-rata waktu komputasi yang diperlukan dalam pengenalan wajah
dengan PCA dan KNN adalah 0.123 detik.
Kata Kunci: Pengenalan Wajah, K- Nearest Neighbor, Principal Component
Analysis (PCA).
ABSTRACT
Face recognition is a biometrics system that is widely used to recognize
individuals, because face is one of the most common biometrics features used to
recognize someone. One example of using face recognition that is used in the data
verification process and access control. In this study, researchers used the
Principal Component Analysis (PCA) method and K-Nearest Neighbor to be able
to identify faces through inputting test data which was then extracted to produce
certain patterns or characteristics that would later be sought and matched in
training data. In this study, there were 5 types of K, namely 1, 3, 5, 7, and 9. As
well as PCA compression of 10% to 100% at intervals of 10%. From some PCA
compression and the selection of k nearest neighbors on K-Nearest Neighbor, the
highest accuracy value is 70.83% with compression of 20% to 100% and k = 1.
The use of 20% eigenvectors has captured 99% of the data. While the average
computing time required for facial recognition with PCA and KNN is 0.123
seconds.
Keywords: Face Recognition, K-Nearest Neighbor, Principal Component
Analysis (PCA).
2
PENDAHULUAN
TUJUAN
METODE
Mulai
Pre-processing
Hasil identifikasi
Selesai
PEMBAHASAN
Data latih dan data uji dipangkas (crop) dan diubah menjadi grayscale.
Kemudian diubah ukuran menjadi 64 x 64 piksel sebelum dilakukan proses PCA.
Proses pengolahan citra dapat dilihat pada Gambar 2.
datalatih = 'data latihku';
listnama = dir(fullfile(datalatih, '*.bmp'));
for x = 1 : size(listnama,1);
namacitra = fullfile(datalatih, listnama(x).name);
citra = imread(namacitra);
end
Gambar 2 Proses pengolahan citra awal
citra = rgb2gray(citra);
citrahasil = imresize(citra,[64,64]);
Citra awal yang telah diolah kemudian dilakukan proses pengambilan
eigenface dengan Principle Component Analysis (PCA). Data latih diolah dengan
PCA tanpa dikompresi, sedangkan data uji diolah dengan PCA dengan kompresi
10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90% dan 100%. Citra hasil
kompresi diubah menjadi matriks satu dimensi dan diberi label untuk proses
klasifikasi. Proses kompresi dengan PCA dapat dilihat pada Gambar 3.
function [F]=pcaya(im,persen)
[r,c]=size(im);
m=mean(im')';
d=double(im)-repmat(m,1,c);
co=1 / (c-1)*d*d';
[eigvec,eigvl]=eig(co);
eigvalue = diag(eigvl);
[junk, index] = sort(-eigvalue);
eigvalue = eigvalue(index);
eigvec = eigvec(:, index);
EigenvectorPer=persen;
Compressed_Image=eigvec(:,1:(EigenvectorPer/100)*
size(eigvec,2))'*double(d);
ReConstructed_Image=(eigvec(:,1:(EigenvectorPer/100)*
size(eigvec,2)))*Compressed_Image;
ReConstructed_Image=ReConstructed_Image+repmat(m,1,c);
[a,b]=size(ReConstructed_Image);
temp=reshape(ReConstructed_Image,1,a*b);
F=[temp];
Setelah data uji dikompresi dengan PCA, kemudian eigenface dari data uji
di proyeksikan dengan eigenface data latih menggunakan K-Nearest Neighbor.
Prinsip klasifikasi dengan K-Nearest Neighbor adalah mencari K data terdekat
dengan menggunakan jarak Euclide pada persamaan 1.
n
dengan d adalah jarak, n adalah dimensi data, xᵢ adalah data uji,dan yᵢ adalah data
latih. Proses klasifikasi K-Nearest Neighbor dapat dilihat pada Gambar 4.
Class=knnclassify (data_test, data_latih, kelas data_latih, k)
Pada proses pengenalan wajah, didapatkan rata-rata waktu komputasi (detik) dari
kombinasi beberapa kompresi PCA dan pemilihan K pada Tabel 4.
8
K
PCA 1 3 5 7 9
10% 0.1256227 0.11348598 0.1124985 0.11197622 0.11453347
20% 0.1204092 0.11228953 0.11088233 0.112210583 0.111769
30% 0.11880285 0.111241625 0.1116255 0.11088325 0.111237
40% 0.19634104 0.18801435 0.19026296 0.190381 0.20233117
50% 0.206603 0.172718 0.1832236 0.179399 0.1791314
60% 0.1232914 0.11100001 0.11314145 0.1129448 0.11306947
70% 0.0986467 0.096095 0.1013604 0.1009164 0.10813728
80% 0.08406891 0.0887296 0.080438 0.0806225 0.0832384
90% 0.11209124 0.09843319 0.08425385 0.08455109 0,09021652
100% 0.11418235 0.13046064 0.10283044 0.099811104 0.106884288
Tabel 4. Waktu Komputasi Pengujian Data UJi
KESIMPULAN
UCAPAN TERIMAKASIH
Ucapan terima kasih kepada Universitas Negeri Surabaya dan website Facedb
VISGRAF face database pada http://app.visgraf.impa.br/database/faces/ yang
telah menyediakan data secara online sehingga membantu dalam penulisan karya
ini.
DAFTAR PUSTAKA
Ardiansiah, dkk. 2016. Sistem Pengenalan Wajah dengan Metode Face Features.
E-Journal SPEKTRUM. Vol. 3. No. 2. 21-25.
9
Dhoke and M. Parsai. 2014. A MATLAB based Face Recognition using PCA
with Back Propagation Neural network. International Journal of Innovative
Research in Computer and Communication Engineering. vol. 2. No. 8.
Liu, Jing dan Muhammad Aqeel Ashraf. 2018. Face Recognation Method Based
On GA-BP Neural Network Algorithm. De Guyter. Vol. 16, 1056-1065.
Lwin, Hleik, dkk. 2015. Automatic Door Access System Using Face Recognition.
International Journal of Scientific and Technology Research. Vol. 4. No. 6.
Santoso. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Yogyakarta. Graha Ilmu.
Wijaya, I Gede, dkk. 2018. Pengenalan Ekspresi Wajah Menggunakan DCT dan
LDA untuk Aplikasi Pemutar Musik (MOODSIC). Jurnal Teknologi
Informasi dan Ilmu Komputer. Vol. 5, No. 5. 559-566.
LAMPIRAN
2. Biodata Anggota I
A. Identitas Diri
1 Nama Lengkap Novi Hanifatul Ula
2 Jenis Kelamin Perempuan
3 Program Studi S!-Matematika
4 NIM 17030214041
5 Tempat dan Tanggal Lahir Bojonegoro, 20 Nopember 1998
6 Alamat E-mail novi.17030214041@mhs.unesa.ac.id
7 Nomor HP 085893076662
B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti
No Kegiatan Status Dalam Kegiatan Waktu dan Tempat
1. MCR & LRP Panitia Matematika UNESA
(Olimpiade SD-SMA) 2017 & 2018
2. Pelatihan Public Peserta UNESA tahun 2017
Speaking
C. Penghargaan yang Pernah Diraih
No Jenis Penghargaan Pihak Pemberi Penghargan Tahun
1. Juara 3 Festival Hadroh Yayasan Pendidikan dan Sosial 2016
se-Bojonegoro Jawahirul Hikmah
2. Juara 4 Lomba Hadroh DPD-BKPRMI Bojonegoro 2016
Tradisional
3. Juara 1 Seni Samrah Dinas Pendidikan Kabupaten 2016
Bojonegoro
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah
satu persyaratan dalam pengajuan PKM-AI
Surabaya, 25 Desember 2019
Anggota 1
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Dr. Elly Matul Imah, M. Kom.
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIP/NIDN 198204052005012002/0005048201
5 Tempat dan Tanggal Lahir Bojonegoro, 5 April 1982
6 Alamat E-mail ellymatul@unesa.ac.id
7 Nomor Telepon/HP 08563113325
B. Riwayat Pendidikan
1 Program S-1 S-2 S-3
2 Nama PT ITS Surabaya UI UI
3 Bidang Imu Matematika Ilmu Komputer Ilmu Komputer
4 Tahun Masuk 2000 2006 2010
5 Tahun Lulus 2004 2009 2014
Judul Skripsi/ Deteksi Jenis Penentuan Outlier Adaptive
Tesis/Disertasi Penyakit Paru Pada Algoritma Multilayer
Berdasarkan Propagasi Balik Generalized
Image Menggunakan Learning Vector
Roentgen Perhitungan Jarak Quantization
dengan Mahalanobis dan (AMGLVQ):
Algoritma LVQ Jarak Fuzzy Algoritma
6 Pembelajaran
Berbasis
Kompetisi yang
Terintegrasi
Antara Seleksi
Data, Ekstraksi
Fitur Dan
Klasifikasi
Nama Prof. Dr. M. Isa Prof. Dr. Eng. Prof. T.
Pembimbing/ Irawan, M.T Benyamin Basaruddin,
Promotor Kusumoputro Ph.D.
7
Dr. Eng. Wisnu
Jatmiko, M.
Kom.
C. Rekam Jejak Tri Dharma PT
Pendidikan/Pengajaran
No Nama Mata Kuliah Wajib/Pilihan SKS
1 Pemrograman Visual Pilihan 3
2 Analisa Numerik Pilihan 3
3 Bahasa Pemrograman Wajib 3
4 Pemodelan Matematika Wajib 3
14
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan PKM-AI.
Alokasi
Waktu
No Nama/NIM Program Bidang UraianTugas
(jam/ming
gu)
Erina Matematika Matematika 6 Jam Mengawasi dan
Seviyanti mengkoordinasi
1 Dewi/17030 semua kegiatan
214021 dan membuat
artikel
Novi Matematika Matematika 5 Jam Mencari data,
Hanifatul Mencari literatur
Ula/170302 mengenai
2
14041 penelitian yang ada
dan membuat
artikel
Kampus Ketintang
KEMENTERIAN RISET,TEKNOLOGI, DAN
Jalan Ketintang Gedung D1
PENDIDIKAN TINGGI
Surabaya 60231
UNIVERSITAS NEGERI SURABAYA Telepon : +6231-8296427
Email : info@fmipa.unesa.ac.id
Mengetahui,
Wakil Dekan Bidang Kemahasiswaan & Alumni
1. Menyatakan bahwa PKM-AI yang saya tuliskan bersama anggota tim lainnya
benar bersumber dari kegiatan yang telah dilakukan:
- Tugas dari mata kuliah Komputasi Matematika
- Implementasi PCA dan KNN
- Surabaya tahun 2019
2. Naskah ini belum pernah diterbitkan/dipublikasikan dalam bentuk prosiding
maupun jurnal sebelumnya.
Demikian Surat Pernyataan ini dibuat dengan penuh kesadaran tanpa paksaan
pihak manapun juga untuk dapat digunakan sebagaimana mestinya.